Ученые Политехнического университета Милана (отделение математики) Франческо Регаццони, Стефано Пагани и Маттео Сальвадор представили инновационный тип искусственной нейронной сети, названный "Сеть скрытой динамики" (LDNet), который открывает новые перспективы в изучении эволюции систем с пространственно-временной динамикой в ответ на внешние воздействия. Предсказание эволюции сложных систем является ключевым для научного прогресса. Традиционные подходы, основанные на численных моделированиях и математических моделях, часто характеризуются запредельной стоимостью и вычислительным временем, что ограничивает их применимость в конкретных ситуациях. Новизной, представленной исследователями Политехнического университета, является использование методов искусственного интеллекта для описания эволюции систем в низкоразмерных пространствах, что позволяет достичь точных прогнозов в крайне короткие сроки.
Традиционное использование дифференциальных уравнений для моделирования пространственно-временных явлений, таких как динамика жидкостей, распространение волн и молекулярная динамика, представляет существенные математические и вычислительные сложности. Как отмечают исследователи Политехнического университета, методы, основанные на данных, представляют новый парадигму, которая может преодолеть эти ограничения. Методы, основанные на данных, могут изучать напрямую экспериментальные данные или создавать заменители для моделей с высокой точностью, что позволяет получать результаты быстрее и эффективнее.
В данном исследовании исследователи Политехнического университета представили Сети скрытой динамики (LDNet), которые вносят значительные инновации по сравнению с существующими методологиями. Такие нейронные сети способны автоматически обнаруживать внутреннюю динамику физической системы, изучаемой путем представления ее состояния с помощью небольшого числа переменных, называемых скрытыми переменными. В сравнении с методами, основанными на данных, состояние которых рассматривается в пространстве большей размерности, LDNet позволяют более эффективно и точно описывать сложные системы с пространственно-временной динамикой.
Исследователи провели серию экспериментов, используя LDNet для моделирования различных пространственно-временных процессов, таких как распространение звука в среде с переменной плотностью и динамика турбулентного потока. Результаты показали, что LDNet способны достичь высокой точности прогнозирования эволюции этих систем в кратчайшие сроки. Это открывает новые возможности для более глубокого понимания пространственно-временных процессов и их управления в различных областях науки и техники.
В будущем, ученые планируют дальнейшее развитие LDNet и его применение в реальных приложениях, таких как прогнозирование погоды, моделирование транспортных потоков и управление энергетическими системами. Это может привести к более точным и эффективным методам анализа и управления сложными системами с пространственно-временной динамикой, что имеет большое значение для научного и технического прогресса.
Источник:
Франческо Регаццони и др., Изучение внутренней динамики пространственно-временных процессов с помощью сетей скрытой динамики (Francesco Regazzoni et al, Learning the intrinsic dynamics of spatio-temporal processes through Latent Dynamics Networks), Nature Communications (2024). DOI: 10.1038/s41467-024-45323-x
-------------------------------------
Вы можете поддержать проект подпиской на канал, реакциями и комментариями, а также подписавшись на наши страницы на других площадках и на сервисе поддержки авторов Бусти. Ссылки найдёте в описании канала. Заранее спасибо!
